Это просто: потому что ML - это всего лишь вспомогательная ветвь AI. Если мы последуем за книгой Норвига и Рассела и других авторов, то утверждение, что машинное обучение эквивалентно искусственному интеллекту, будет большим заблуждением. ML - это одна из дисциплин AI, такая же как поиск, рассуждение, планирование, принятие решений, обработка естественного языка, зрение и робототехника.

Например, ML само по себе не может быть интеллектуальным, потому что ему не хватает рассуждений, планирования, логики и он не взаимодействует с окружающей средой. ML обнаруживает закономерности и выполняет прогнозы на основе статистического анализа данных с использованием математических алгоритмов. Эти алгоритмы неразумны сами по себе.

Интеллект - это гораздо больше.

Заявление о том, что ML является частью AI, резко снижает планку того, что Джон Маккарти имел в виду под AI. Вторая глава книги AIAMA (Искусственный интеллект: современный подход), насчитывающей пять изданий, содержит примеры и схемы того, что такое агент AI. По сути, агент ИИ воспринимает окружающую среду с помощью датчиков и воздействует на среду с помощью исполнительных механизмов; Между этими двумя есть логика, рассуждения и принятие решений, которые заставляют агента действовать автономно, исправляя себя без вмешательства человека.

Рисунок - это моя грубая попытка объяснить, кто участвует в разработке ИИ (коричневый).

Взгляд на ИИ Питера Норвига и Стюарта Рассела (2010)

Фон

Наш первый инстинкт подсказывает нам, что машинное обучение - это подмножество искусственного интеллекта. Затем мы начинаем расплываться и расплываться, когда находим документы, статьи, сообщения, утверждающие, что они посвящены искусственному интеллекту. Вы начинаете их читать, и оказывается, что они посвящены машинному обучению или науке о данных. На данный момент мы просто не знаем, допустили ли авторы ошибку по незнанию (не исследовали и не прочитали достаточно литературы) или намеренно пытались обмануть читатели. Коммерциализм также играет во всем этом огромную роль. Хотя машинное обучение все еще имеет- огромные достижения, маркетинг и PR-отделы предпочитают называть это искусственным интеллектом.

Книги по искусственному интеллекту НЕ делают этого. Они написаны учеными, как правило, с строгими этическими кодексами.

Итак, сегодняшняя атмосфера искусственного интеллекта, машинного обучения и науки о данных наполнена ложными историями и завышенными достижениями. Это плохо для всех нас. Потому что в конечном итоге мы получаем лженауку.

Наука - это сложно - так должно быть. Искусственный интеллект, находящийся на вершине пищевой цепочки, является одним из важнейших рубежей. Я уверен, что Джон Маккарти не согласился бы квалифицировать линейную регрессию, нейронную сеть или голого робота как искусственный интеллект. Конечно, это может быть ИИ с правильной комбинацией компонентов ИИ. Машинное обучение - только одна из них.

«Вы распространяете дезинформацию…»

Могу я предложить вам прочитать Искусственный интеллект - Революции еще не произошло профессора Майкла И. Джордана ». С той ясностью, которую дает смешанный опыт инженерии и науки, профессор Джордан диагностирует текущее состояние ИИ. Вот мои основные выводы:

1. Очевидно, что слово «искусственный интеллект» неправильно понимают не только широкая общественность, но и ученые.

2- Трудно понять концепцию ИИ, потому что мы живем им. Но пора университетам делать карьеру в области инженерии искусственного интеллекта.

3. Большинство успехов, которые мы приписываем ИИ, на самом деле связаны с машинным обучением. Все ведущие технологические компании используют ML во всем своем бизнесе; читайте Google, Netflix, Facebook, Amazon, Twitter, Microsoft, IBM и т. д.

4. Изначально ИИ предназначался для изучения когнитивных способностей человека. Спустя почти 70 лет все еще остается неуловимым.

5. То, что мы сегодня называем ИИ, возникло из области распознавания образов, управления движением и статистики.

6. Хотя поиск документов, классификация текста, обнаружение мошенничества, системы рекомендаций, персонализированный поиск, анализ социальных сетей, планирование, диагностика и A / B-тестирование - это не ИИ, а машинное обучение, они очень успешно. И, тем не менее, мы настаиваем на том, чтобы называть их AI.

Есть также вводное интервью Лекса Фридмана профессору Джордану на YouTube. Вот ссылка, в которой Лекс и Ян ЛеКун называют профессора Джордана Майлзом Дэвисом машинного обучения.

Взгляд на искусственный интеллект профессора Джона Маккарти (2007)

Интересно отметить, как персональный компьютер и компьютеризированная электроника полностью исказили ландшафт искусственного интеллекта. Если мы сравним профессора Маккарти с работой Норвига и Рассела, то последнее уступает место робототехнике, распознаванию объектов (или зрению), машинному обучению и обработке естественного языка. К 2010 году несколько дисциплин, которые профессор Маккарти считал ветвями ИИ, объединились.

Поразительно видеть, что машинное обучение принесло большую часть успехов, которые приписываются ИИ, общедоступному и в целом, и даже ученые настаивают на том, чтобы называть его ИИ. Это не из-за слова «искусственный»; мы непоправимо очарованы и испытываем постоянный трепет перед всем, что называется «интеллектом».

И, к сожалению, хорошая часть этого - коммерциализм и конкуренция.

Взгляд на искусственный интеллект Пула, Макворта и Гебеля (1998)

Взгляд ИИ Нильса Нильссона (1998)

Взгляд ИИ Эдварда А. Бендера (1986)

Хотя профессор Бендер классифицирует искусственный интеллект с точки зрения целей на шесть групп, он начинает с двух основных групп: цели как результаты (рассуждение, планирование и обучение) и конкретные цели (Робототехника, зрение и язык). Он посвящает большую часть книги рассуждениям, поиску и обучению.

В последней главе профессор Бендер кратко описывает робототехнику, зрение и язык.

Чем не является искусственный интеллект

Обжорство машинного обучения

Определенно следующие диаграммы НЕ отражают, что такое искусственный интеллект.

Главный недостаток состоит в том, что каждая цифра выглядит так, как будто машинное обучение вносит наибольший вклад в ИИ и делает его подмножеством ИИ, тогда как машинное обучение - только вспомогательная ветвь ИИ.

Взаимодействие со средой, называемое здесь «физическим включением технологий», не относится к машинному обучению, это часть агента ИИ. Датчики и исполнительные механизмы (или эффекторы) используются агентом искусственного интеллекта для взаимодействия с окружающей средой; они не участники. Взаимодействие с окружающей средой - еще одно измерение агента ИИ.

Робототехника, зрение и НЛП вносят свой вклад в ИИ.

На следующем рисунке я бы переместил круг Машинное обучение за пределы ИИ. Другие меньшие круги (зрение, робототехника, НЛП) должны окружать ИИ, как и машинное обучение. Автономные транспортные средства - это приложение ИИ, а не вспомогательная ветвь.

Самые успешные методы исходят от машинного обучения, а не искусственного интеллекта.

Все это методы машинного обучения; они не ИИ.

Наука о данных - это не искусственный интеллект

Здесь мы видим две дисциплины: Машинное обучение и Наука о данных. Оба они дополняют друг друга, но не обязательно пересекаются с искусственным интеллектом. Data Science является не только основным участником машинного обучения, но и второстепенным участником обработки естественного языка и распознавания объектов. ML и DS имеют фундаментальное значение для базового понимания ИИ.

Глубокое обучение и нейронные сети являются частью машинного обучения, а не искусственного интеллекта

Следующая диаграмма неверна дважды. Глубокое обучение - это разновидность нейронных сетей. Машинное обучение не является частью искусственного интеллекта; это вспомогательная ветвь. ML не может быть интеллектуальным.

На рисунке ниже. Некоторые авторы ИИ считают, что когнитивные вычисления следует отделить от искусственного интеллекта, поскольку первый использует психологию и нейробиологию для поиска человеческого интеллекта.

Нейронные сети и глубокое обучение - это не ветви искусственного интеллекта, а, скорее, машинное обучение.

Представления искусственного интеллекта

Такие дисциплины, как исследование операций, решение проблем, машинное обучение, рассуждение, представление знаний - все это вспомогательные ветви агента искусственного интеллекта.

Нечеткая логика и нейронные сети могли быть включены в машинное обучение. Я не так уверен в Fuzzy Logic. Я думаю, что это должно быть в управлении процессами или оптимизации. Там ведутся споры. То же самое с генетическими алгоритмами; не ИИ, а метод, также используемый в машинном обучении и оптимизации.

Первоначально у профессора Маккарти было отделение генетических алгоритмов под независимым отделом, которое он назвал генетическим программированием. Сегодня некоторые авторы AI считают его частью поиска.

Раздельное лучше. Глубокое обучение должно быть включено в машинное обучение. Две дисциплины Машинное обучение и Наука о данных дополняют друг друга. ML, DS, информатика, математика необходимы для фундаментального понимания ИИ.

Стрелки должны указывать в обратном направлении. Дисциплины вокруг позволяют ИИ. Я не знаю, что автор имел в виду под «большими данными». Большие данные - неправильное употребление. Опять же, нейронные сети и большие данные (неправильный термин) должны быть в машинном обучении. Распознавание речи должно находиться в разделе Обработка естественного языка.

Нейронные сети и «большие данные» - что бы там ни было - должны быть частью машинного обучения. Стрелки должны указывать в направлении ИИ, а не наоборот.

Эта диаграмма немного повторяет книгу Питера Норвига и Рассела «Искусственный интеллект: современный подход». Однако нейронные сети необходимо перевести на машинное обучение.

Вычислительный интеллект - еще один предпочтительный термин для искусственного интеллекта. В какой-то момент профессор Маккарти пожалел, что назвал дисциплину «Вычислительный интеллект» согласно профессору Ноэлю Шарки.

Эта диаграмма ориентирована на алгоритмы, которые не обязательно относятся к машинному обучению, но относятся к оптимизации и управлению процессами: нечеткая логика, эволюционные вычисления и Swarm Intelligence. Их можно сгруппировать в общую ветвь, но не в машинное обучение, если они не учатся на данных.

Мы видим здесь что-то новое: «физические алгоритмы» и «иммунные алгоритмы». На моей диаграмме у них не было бы ответвления; они не являются машинами машинного обучения, если не учатся на данных. Я проведу небольшое исследование и придумаю общую ветку.

Следующий рисунок нуждается в некоторой группировке, но дает представление о том, какие инструменты вы можете использовать для создания агента ИИ. Он имеет добрые намерения, но сочетает приложения ИИ с дисциплинами, способствующими развитию ИИ.

Другой взгляд на ИИ с точки зрения когнитивного режима. Однако я не смог найти здесь ничего, связанного с принятием решений, логикой, рассуждениями или решением проблем. По мнению некоторых авторов, когнитивные вычисления - это отрасль, выходящая за рамки искусственного интеллекта.

На следующем рисунке я бы просто добавил рассуждения, решение проблем и принятие решений. Глубокое обучение будет относиться к контролируемому обучению. Хотя ненадолго. Были достигнуты успехи в некоторых типах генерирующих состязательных сетей или GAN, некоторые из которых используют глубокое обучение с помощью сверточных нейронных сетей, где GAN может различать и классифицировать немаркированные данные.

Это другая перспектива. Какие дисциплины сделали возможным искусственный интеллект. На этой диаграмме мы мало что видим. Я бы добавил также: экономика, нейробиология, компьютерная инженерия, теория управления, кибернетика, лингвистика, статистика.

Другой взгляд на классификацию ответственных ветвей ИИ.

использованная литература

Ссылки